成立3年估值23亿美金,这家企业掘金工业互联网的秘诀到底是什么?

在大数据及云计算飞速发展的时代，工业互联网领域无疑是“当红炸子鸡”。人家都说：站在风口上，猪都能飞起来。那么，在工业互联网领域里该怎样飞？

Uptake，一家美国工业互联网领域的明星创业公司，目前已是估值23亿美元的独角兽。成立不过三年的时间，这家企业究竟找到了哪些痛点？提供什么样的解决方案？产生怎样的价值？成功的核心因素是哪些？今天，咱们抛开企业不谈，就说下在如此短的时间内，掘金工业互联网究竟有何秘诀？

国内有大量的工业互联网公司，提供设备预测性维护，但是鲜有真正能大范围落地的。我们也听到一些声音，认为设备预测性维护规模太小，需求不强烈，提供价值有限，并不是一个好的落地场景。所以，设备预测性维护有多大的价值？不如我们就以下的例子来看一下。

美国一家Class1的火车公司，在美国有大约一万四千个火车头，通过启用人工智能做的预测性维护，帮助他们企业每年节省4700万美金。AMEREN是美国一家发电厂，每年用了Uptake的人工智能应用平台帮公司节省990万美金。PaloVerde是一家核电厂，每年Uptake帮他们节省1000万美金。某个重型机械经销商，UPTAKE软件服务帮助公司每年提高850万美金的收入。

这些案例都清晰的表明，无论是提高收入还是降低成本，设备预测性维护可以发挥的价值巨大，能直接带来企业的显性经济效益提升。设备性维护会为经销商提供设备联网运维系统，可以对所有其销售的设备进行预测性维护分析，预判设备故障并及时告知客户，快速高效完成相应维修。这样可以保证客户施工的不中断，同时大大提高经销商和原厂的售后服务收益，降低服务人工和备件成本。更重要的是将设备运行反馈传递给了原厂商，用于改造制造工艺和优化供应链，提高产品质量，从而形成良性的产品闭环。

Uptake是如何让设备预测性维护产生这么大价值的？总结为3个关键点：“人工经验+算法模型+闭环无限迭代”。这里可以延伸为两点：

从数据来看，就是弄清楚客户是怎么诊断设备故障的，怎么看参数和症状。然后建立一个故障模型，能判断出：什么样的设备数据，对应什么样的故障。将故障模型用在分析实际问题上，让技工判断模型分析结果是否正确，这是模型优化过程。最终在这一步，已经能够较准确实现算法自动诊断设备故障，但是还不能做到预测。根据采集的大量设备运转数据，结合AI算法等进行拟合建模，得出：什么样的设备数据表征和趋势，对应什么样的故障。这就得到了故障预测模型。

将该模型应用在实际问题分析上，结合技工的反馈，持续优化迭代。同时，根据以上逻辑流程，不断建立新的故障预测模型。从而在故障预测种类和准确率这两个指标上持续迭代，最终目标是“预知设备一切问题”。

特别说明的一点是，实现预测性维护价值的前提并不是“所有设备实时联网”。一方面是数据源不仅是设备数据，还包括一些企业数据，如ERP数据，维修工单等，以及使用环境、地理位置、交通等一系列可能影响到设备运转的数据。另一方面是故障预测模型可以直接植入设备，通过边缘计算的方式进行判断。这点也能给国内企业很多启发，太多的公司都是不管能分析出什么，先把设备上云了再说。

另外，使用公有云提供SaaS形态的产品服务也很重要，可以将每个项目的经验进行沉淀，并在更广泛的类似项目中进行推广。

当下正是中国工业互联网火热的时机，或许以上的成功经验会对中国工业工业互联网领域的企业有所借鉴？想要成为“核心”？先从“用心”开始！